我需要在PySpark数据框中旋转多列。示例数据框:
from pyspark.sql import functions as F
d = [(100,1,23,10),(100,2,45,11),(100,3,67,12),(100,4,78,13),(101,1,23,10),(101,2,45,13),(101,3,67,14),(101,4,78,15),(102,1,23,10),(102,2,45,11),(102,3,67,16),(102,4,78,18)]
mydf = spark.createDataFrame(d,['id','day','price','units'])
mydf.show()
# +---+---+-----+-----+
# | id|day|price|units|
# +---+---+-----+-----+
# |100| 1| 23| 10|
# |100| 2| 45| 11|
# |100| 3| 67| 12|
# |100| 4| 78| 13|
# |101| 1| 23| 10|
# |101| 2| 45| 13|
# |101| 3| 67| 14|
# |101| 4| 78| 15|
# |102| 1| 23| 10|
# |102| 2| 45| 11|
# |102| 3| 67| 16|
# |102| 4| 78| 18|
# +---+---+-----+-----+t
现在,如果我需要按天将每个id的价格列转换为行,则可以使用pivot
方法:
pvtdf = mydf.withColumn('combcol', F.concat(F.lit('price_'), mydf['day'])).groupby('id').pivot('combcol').agg(F.first('price'))
pvtdf.show()
# +---+-------+-------+-------+-------+
# | id|price_1|price_2|price_3|price_4|
# +---+-------+-------+-------+-------+
# |100| 23| 45| 67| 78|
# |101| 23| 45| 67| 78|
# |102| 23| 45| 67| 78|
# +---+-------+-------+-------+-------+
所以当我需要将单位列和价格一起转置时,我必须像上面那样创建另一个数据框来处理单位,然后使用"id"将它与价格数据框进行join
。但是,如果我有更多类似的列,则可以尝试使用函数来处理。
def pivot_udf(df, *cols):
mydf = df.select('id').drop_duplicates()
for c in cols:
mydf = mydf.join(df.withColumn('combcol', F.concat(F.lit('{}_'.format(c)), df['day'])).groupby('id').pivot('combcol').agg(F.first(c)),' id')
return mydf
pivot_udf(mydf, 'price', 'units').show()
# +---+-------+-------+-------+-------+-------+-------+-------+-------+
# | id|price_1|price_2|price_3|price_4|units_1|units_2|units_3|units_4|
# +---+-------+-------+-------+-------+-------+-------+-------+-------+
# |100| 23| 45| 67| 78| 10| 11| 12| 13|
# |101| 23| 45| 67| 78| 10| 13| 14| 15|
# |102| 23| 45| 67| 78| 10| 11| 16| 18|
# +---+-------+-------+-------+-------+-------+-------+-------+-------+
这样做是一个好习惯吗?还有没有其他更好的方法?